Итого

✅ Нужна максимальная надёжность и гибкость — Финам.
Три варианта подключения, зрелая документация, любая ОС.

⚡️ Важна скорость или вы уже работаете с большими объёмами — Алор. HFT-тарифы, минимальные задержки.

🚀 Вы новичок и хотите быстро стартовать на Python — Т-Банк для старта, Финам для боевой торговли, QUIK или MT5 — если ближе терминальный путь.


💸 Хотите минимизировать расходы на инфраструктуру — только прямой API и Linux. QUIK и MT5 здесь не вариант.

Python-библиотеки для технического анализа

Когда начинаете писать торгового робота, первый вопрос — где брать индикаторы: реализовать RSI или MACD самостоятельно, разбираясь в сложных формулах, или есть что-то готовое? Нашли формулу, написали код, потратили два часа на отладку граничных значений, ещё сравнивать потом точность расчёта с TradingView или другими терминалами... и получили то, что уже давно написано за вас. Причём проверенные тысячами людьми и работающие в разы быстрее чем огромное количество формул.

В этом посте разберём все основные Python-библиотеки с готовыми индикаторами технического анализа: чем каждая из них интересна, для каких задач подходит и где есть подводные камни.

pandas_ta — для стратегий и основной работы

pip install pandas-ta или форк pip install pandas-ta-classic

Индикаторов: 150+ плюс 62 свечных паттерна
Самая популярная библиотека среди тех, кто пишет стратегии на pandas:

df.ta.rsi(length=14, append=True)     # добавит столбец RSI_14
df.ta.macd(append=True)               # добавит MACD_12_26_9, MACDh, MACDs
df.ta.bbands(length=20, append=True)  # Bollinger Bands

Набор индикаторов разбит по категориям. В категории Momentum — 37 индикаторов: от привычных RSI, MACD, Stochastic до экзотики вроде Quantitative Qualitative Estimation (QQE), Psychological Line (PSL) и Fisher Transform. В Overlap (скользящие средние) — 31 вариант: EMA, SMA, HMA, WMA, ALMA, Ichimoku, Supertrend и многие другие. Отдельно выделены категории Volatility (13), Volume (14), Trend (15) и Statistics (9 — включая Z-Score, Kurtosis, Entropy).

Свечных паттернов — 62. Работает через отдельный вызов df.ta.cdl_pattern(name="hammer"), большинство из них всё равно требуют дополнительной библиотеки TA-Lib.

TA-Lib — дед технических индикаторов

pip install TA-Lib (но сначала нужна C-библиотека, иногда приходится искать готовые wheel-файлы)

Индикаторов: 158 функций + 60+ свечных паттернов

Если pandas_ta — это удобство, то TA-Lib — это скорость и надёжность. Библиотека написана на C/C++ ещё в начале 2000-х, а Python — лишь обёртка сверху.

Помимо стандартных индикаторов, есть группа Cycle Indicators — HT_DCPERIOD, HT_SINE, HT_TRENDMODE. Это индикаторы на основе преобразования Гильберта, определяющие рыночные циклы. Редко где встретишь такое в готовом виде.

Свечные паттерны называются с префиксом CDL: CDLHAMMER, CDLENGULFING, CDLMORNINGSTAR. Одна строка — и вы знаете, есть ли на свече «молот» или «поглощение».

⚠️ Единственный минус — установка на Windows бывает болезненной: нужно собирать C-библиотеку отдельно или искать неофициальные wheel-файлы. На macOS и Linux всё решается одной командой.

technical (Freqtrade) — там есть то, чего нет нигде

pip install technical

Индикаторов: 50, но каких!

Это библиотека-дополнение для криптобота Freqtrade. Собрана из индикаторов со всего GitHub-сообщества плюс оригинальных авторских разработок. Количество скромное, но здесь есть вещи, которых нет ни в pandas_ta, ни в TA-Lib.

Consensus — аналог той самой сводки «Купить/Продать» с TradingView. Может, видели такой виджет, где написано «7 из 10 индикаторов за рост»? Вот это, но в Python. Три варианта: консенсус по скользящим средним, по осцилляторам и сводный.
Madrid Moving Average Ribbon (mmar) — несколько скользящих средних разной длины одновременно, классифицирует тренд на 4 категории. Хорошо работает как фильтр направления тренда перед входом.
Volume Flow Indicator (vfi) — продвинутая версия OBV от Маркоса Катсаноса. В отличие от обычного OBV учитывает не просто «рост/падение объёма», а реальный поток денег с учётом ценового движения. Если ищете расхождения цены и объёма — это оно.
Tom DeMark Sequential (td_sequential) — популярный паттерн для определения разворотов, который в других библиотеках найти сложно.

smartmoneyconcepts — ICT/SMC в Python

pip install smartmoneyconcepts

Индикаторов: 8, но это особая категория
Если вы торгуете по концепции Smart Money / ICT — раньше приходилось рисовать зоны руками или писать скрипты на Pine Script. Теперь есть эта библиотека.
Fair Value Gaps (FVG) — несбалансированные зоны, куда цена склонна возвращаться
Order Blocks (OB) — зоны накопления институциональных позиций
Break of Structure (BOS) и Change of Character (CHoCH) — смена структуры рынка
Liquidity — уровни, где скопились стопы

ta — минимализм для ML и быстрого старта

pip install ta

Индикаторов: ~50
Если нужно быстро добавить индикаторы в ML-пайплайн — это лучший выбор.
Одна строка — и в DataFrame появляются все ~50 индикаторов: RSI, MACD, Bollinger Bands, ATR, OBV, Ichimoku и другие. Набор стандартный, ничего экзотического.

stockstats

pip install stockstats

Индикаторов: 47 базовых
Необычный подход: индикаторы запрашиваются через имена столбцов DataFrame. Не нужно вызывать функции — просто обращаетесь к столбцу, и он считается автоматически:

from stockstats import wrap
df = wrap(df)

rsi = df['rsi_14']  # RSI с периодом 14

Очень удобно для ML-задач, где индикаторы добавляются в feature matrix: код компактный, читаемый, легко расширяется.

Индикаторы внутри бэктест-фреймворков

Если вы уже работаете с каким-то фреймворком для бэктестинга, индикаторы могут быть встроены прямо в него:
Backtrader — огромный набор встроенных индикаторов плюс официальная интеграция с TA-Lib. Если стратегии пишутся в Backtrader, отдельные библиотеки часто не нужны.
vectorbt — индикаторы как часть векторизованного движка на numba. Молниеносно быстр на больших массивах. Умеет подключать pandas_ta, technical и TA-Lib напрямую.
backtesting.py — «индикатор-агностик». Сам фреймворк индикаторов не содержит, но принимает данные в виде обычных pandas Series — подключайте любую библиотеку.

Тратить время на ручную реализацию стандартных индикаторов в 2026 году — не лучший способ. Все они давно написаны, оптимизированы и проверены. Берите готовую библиотеку, сосредоточьтесь на логике стратегии. Также если возникают трудности с поиском нужного индикатора, можно поискать среди огромного количества открытых индикаторов на Pine Script (TradingView) и перевести их в Python с помощью любой LLM.

📈 Пробой Киджун и поиск боковиков на Python

Продолжаем разбирать вопросы из курса VesperfinCode по торговым роботам. В новых материалах — два подхода к автоматизации сигналов на BTCUSDT (1H, данные с TradingView).

1. Пробой линии Киджун (Kijun-sen)
Киджун — среднее между максимумом и минимумом за 26 периодов. Один из ключевых элементов Ишимоку.
Сигналы простые: цена закрытия пересекла Киджун снизу вверх → бычий пробой, сверху вниз → медвежий. По сути — ловим смену локального тренда. На BTC стратегия показала неплохие результаты, особенно с дополнительными фильтрами.


2. Распознавание боковиков «по трём точкам»
Алгоритм сложнее. Сначала ищем локальные экстремумы (Pivot Points) скользящим окном в 5 свечей. Затем на отрезке в 20 свечей проверяем: волатильность ниже порога и есть минимум три точки разворота (например, два максимума + один минимум).
Если диапазон найден — покупка у нижней границы, продажа у верхней. В алгоритме есть tolerance — допуск на небольшой выход цены за границы без слома структуры.

Оба скрипта убирают субъективность: не «на глаз вижу боковик», а математически подтверждённая формация с конкретными параметрами.

👇 Видео с разбором ниже

Добрый день! 👋

В этом видео разбираем несколько вопросов по нейросетям и торговле:

👉 Как построить автообучение/переобучение ML/RL-моделей с отбором лучшей версии, логированием результатов и автоподменой модели при просадке эффективности.
👉 Какие есть современные алгоритмы торговли в боковике и как сделать стратегию, которая адаптивно переключается между трендом и флетом.
👉 Можно ли автоматизировать Вайкоффа: распознавание накопления/распределения, вероятный выход из диапазона и критерии входа/выхода.

Для выпускников полного курса VesperfinCode мы добавили большое обновление в личный кабинет.

За это время мы проделали большую работу: переносили различные стратегии, дорабатывали и оптимизировали код под наши проекты. В результате уже в первом модуле нового потока собрано 1037 стратегий, которые можно скачать и сразу начать изучать и тестировать.

Это не случайная генерация или перебор комбинаций. В базе собраны стратегии, которые мы находили в книгах, статьях, репозиториях и других профессиональных источниках, а затем приводили к единому и удобному формату.

Все они оформлены в привычном для вас виде: функция с понятной логикой, где в результате получается сигнал на покупку, продажу или отсутствие сигнала (None).

У каждой стратегии есть описание логики, поэтому с ними удобно работать и легко ориентироваться.

Дальше будем поэтапно переносить эти стратегии в Backtrader и адаптировать их уже для торговых роботов.

Всем добрый день!

Сейчас всё чаще выходят статьи и обзоры https://joshkale.github.io/jobs/ о том, что ИИ начнёт заметно менять рынок труда не через 5–10 лет, а уже в ближайшее время.

Финансовый сектор всё чаще называют одной из сфер, где потенциал влияния ИИ особенно высок.

Нас особенно интересует именно это направление:
👉 аналитика, инвестиционные идеи, разбор компаний, рекомендации, скрининг, отчёты.

В дискуссиях о том, заменит ли искусственный интеллект аналитиков и портфельных управляющих, часто упускают главное: базовая LLM не способна стабильно торговать и понимать рынок — она разрабатывалась как универсальный инструмент, и что дашь ей в контексте, то и получишь на выходе.


Но что если дать ей актуальные данные? Не те, что можно получить простым запросом в чат, а заранее рассчитанные, готовые к анализу. Сегодня уже недостаточно хорошо писать промпты и надеяться, что LLM сделает вам миллионы. Однако связка детерминированных алгоритмов, машинного обучения (ML) и LLM-агентов уже сейчас превосходит человеческие возможности в агрегации и обработке данных.

Что происходит прямо сейчас

Буквально за последние 24 часа в мире ИИ:
👉 Цукерберг фактически похоронил метавселенную — после того, как сжёг $80 млрд на мультяшных аватарах, которые никому не были нужны
👉 Anthropic выпустила ИИ, который принимает команды с телефона и выполняет работу, пока ты спишь
👉 YouTube просит пользователей жаловаться на AI-мусор — а по факту Google просто заставляет 2 миллиарда человек бесплатно обучать свою следующую модель
👉 Уже 93% рабочих мест в США можно хотя бы частично автоматизировать с помощью ИИ — и на той же неделе компании начали выдавать самые слабые повышения зарплат со времён 2008 года
👉 xAI платит банкирам с Уолл-стрит по $100 в час, чтобы те учили Grok заменять банкиров с Уолл-стрит. И они берут эти деньги

Это не просто новостной фон — это направление, в котором движется автоматизация большинства процессов: снижение ручного труда, трансформация профессий, сокращение рабочих мест.

А чтобы не просто на словах показать, а на проекте, мы создали мультиагентного инвестиционного советника. https://vfcode.vercel.app/

Для демонстрации возможностей этого направления мы собрали проект, который объединяет практически все коды и пайплайны, пройденные на курсе VesperfinCode и в потоках Поддержки. Фокус — только на рынке РФ и акциях с реальным объёмом торгов.

Слой 1. Данные
Система интегрирует 17 источников данных, включая MOEX ISS (акции, ОФЗ, макро, опционы), ЦБ РФ, T-Invest API, Moexalgo, yfinance и ML-парсинг сентимента новостей из Telegram (с оценкой тональности — позитивная/негативная — как мы делали в первом потоке Поддержки).
База данных: ~2,65 млн строк. Пайплайн обновляется ежедневно через cron-скрипты: полная синхронизация котировок, отчётностей и макропоказателей. Все источники — из кодов курса.

К сожалению, в отличие от зарубежных рынков (например, financialdatasets.ai — удобный API / MCP-совместимый источник для фундаментального анализа компаний), по российскому рынку всё разрозненно и пришлось собирать по частям и самостоятельно.
Весь наш стек можно завернуть в MCP-серверы и подключать к любым LLM-провайдерам.

MCP (Model Context Protocol) — это стандарт подключения внешних инструментов и источников данных напрямую к языковой модели. Грубо говоря, протокол который позволяет LLM не просто отвечать на вопросы, а работать с реальными данными в реальном времени.

Слой 2. Фундаментальный анализ и ML
Вместо передачи сырых данных в языковую модель система проводит детерминированный анализ через 13 функциональных модулей:

Аналитические модули:
👉 Фундаментальные метрики качества: Altman Z-score, Piotroski F-Score
👉 Модели оценки: DCF, Graham Number
👉 Технический анализ: 40+ индикаторов pandas_ta
👉 Макроэкономические факторы и фундаментальные данные


ML-ансамбль (трёхуровневый, на 91 агрегированной фиче): LightGBM + XGBoost + Random Forest. Модели прогнозируют доходность и рассчитывают уровень уверенности (confidence interval), опираясь на макроэкономические лаги, волатильность и технические факторы. Это то, что мы прорабатывали в 4-м потоке Поддержки при формировании портфелей.

RAG-базы по отчётностям компаний
Отдельный слой — векторные базы данных по финансовым отчётностям эмитентов. RAG (Retrieval-Augmented Generation) решает конкретную проблему: языковая модель не может держать в памяти тысячи страниц годовых и квартальных отчётов, но через RAG она точечно извлекает нужный фрагмент в момент анализа.
Работает это так: отчётности компаний парсятся, разбиваются на смысловые блоки и индексируются в векторном хранилище. Когда персона-аналитик формирует своё заключение по тикеру — она не галлюцинирует цифры, а буквально «заглядывает» в нужный раздел отчёта: выручку, долговую нагрузку, прогнозы менеджмента, сноски к МСФО. Это принципиально отличает систему от обычного чата с LLM, где модель просто воспроизводит то, что видела при обучении.

В итоге фундаментальный анализ в пайплайне — не интерпретация, а работа с первоисточниками.

Стратегии: поддерживается 22 стратегии — от дивидендных акций до покупки длинных ОФЗ.

Слой 3. Принятие решений и симуляция
Детерминированные расчёты агрегируются языковыми моделями (OpenAI, Anthropic, MiniMax, Kimi, DeepSeek) для принятия взвешенных решений.

14 виртуальных персон-инвесторов
Система симулирует инвестиционные стили известных управляющих: Баффетт, Грэм, Бёрри, Линч, Дамодаран и другие. Каждая персона голосует со своим весом и развёрнутым обоснованием, опираясь только на релевантные её профилю показатели.
Но голосование — это не финал. Здесь включается ключевой элемент архитектуры.

Персона-судья: оркестратор и модератор
Поверх всех аналитических персон работает отдельный агент-судья. Его задача — не анализировать рынок, а управлять качеством самого процесса. Он получает заключения всех персон, вступает с ними в полемику, задаёт уточняющие вопросы и при необходимости отправляет аргументы на доработку — до тех пор, пока логика каждой позиции не становится внутренне согласованной.

Это паттерн Reflection в мультиагентных системах: модель не принимает первый же ответ как финальный, а итеративно улучшает его через критику. На практике это означает, что система не выдаёт поверхностный консенсус — она вынуждает каждую персону защитить свою позицию перед тем, как та попадёт в итоговый синтез.
Судья принимает работу только тогда, когда аргументы выдерживают проверку. Иначе — возврат на доработку.

Такой подход существенно снижает галлюцинации и размытые формулировки, которые типичны для одиночного LLM-вызова: когда модель спорит сама с собой через разные роли, слабые аргументы отсеиваются ещё до финального вывода.


Посмотреть профили персон → о них мы говорили на эфире

Диалектика (Bull/Bear дебаты)
Персоны не просто голосуют — они сталкиваются в дебатах. Аргументы «за» и «против» синтезируются независимым модератором. Это паттерн Chain-of-Thought, который существенно снижает галлюцинации сети.

Дополнительные агенты проводят оценку:
👉 Новостного фона
👉 Технических индикаторов
👉 ML-прогнозов
👉 Индексов (российских отраслевых и международных)
👉 Спотовых позиций

Синтез портфеля
Risk Manager и Portfolio Manager формируют итоговую аллокацию с учётом кросс-корреляции активов и текущей волатильности.

Итоговые возможности пайплайна:

👉 Сборные мультиактивные портфели (акции, ОФЗ, корпоративные облигации, фонды денежного рынка, золото) под конкретный риск-профиль
👉 Аргументированные сигналы по отдельным тикерам с подробным отчётом (технический + фундаментальный + ML)
👉 Бэктесты алгоритмов с учётом режимов волатильности, проскальзывания и комиссий